神经符号AI（Neuro-Symbolic AI）听起来很复杂——神经网络、符号推理、知识图谱、逻辑编程……但它的核心思想其实很简单：让神经网络处理「感知」和「模式识别」，让符号系统处理「逻辑推理」和「知识表达」。
本文用100行Python代码，带你实现一个迷你神经符号AI系统——一个能「看图回答逻辑问题」的AI。
核心思想：神经感知 + 符号推理 神经符号AI的架构可以简化为两层：
第一层：神经感知层。 使用神经网络（如CNN、ViT）来处理「感知」任务——从图像中识别物体，从文本中提取实体，从语音中识别词汇。这层输出的是「符号化的感知结果」——如「这是一只猫」「颜色是黑色」。
第二层：符号推理层。 使用符号系统（如知识图谱、逻辑规则、推理引擎）来处理「推理」任务——基于感知结果，进行逻辑推理，回答复杂问题。这层输出的是「推理结论」——如「这只猫属于哺乳动物」「如果它是哺乳动物，那它需要呼吸」。
神经符号AI = 神经感知（「看」） + 符号推理（「想」）。
100行代码实现迷你神经符号AI 下面是一个100行的PyTorch实现，演示神经符号AI的核心思想。任务是：给定一张图片，识别图片中的物体，然后回答关于这个物体的逻辑问题。
import torch import torch.nn as nn # === 神经感知层：用CNN识别物体 === class Perceiver(nn.Module): def __init__(self): super().__init__() self.cnn = nn.Sequential( nn.Conv2d(3, 16, 3), nn.ReLU(), nn.MaxPool2d(2), nn.Conv2d(16, 32, 3), nn.ReLU(), nn.MaxPool2d(2), nn.Flatten(), nn.Linear(32*6*6, 10) ) def forward(self, x): return self.cnn(x) # 输出10个类别的概率 # === 符号推理层：用逻辑规则推理 === class Reasoner: def __init__(self): # 知识图谱：符号化的知识 self.knowledge = { "cat": {"parent": "mammal", "breathe": "air", "legs": 4}, "dog": {"parent": "mammal", "breathe": "air", "legs": 4}, "fish": {"parent": "vertebrate", "breathe": "water", "legs": 0}, "mammal": {"parent": "vertebrate", "warm_blooded": True}, "vertebrate": {"parent": "animal", "has_spine": True}, } self.labels = ["cat", "dog", "fish", "bird", "snake", "frog", "horse", "whale", "bat", "spider"] def reason(self, class_id): label = self.labels[class_id] facts = self.knowledge.get(label, {}) # 递归推理：向上查找知识图谱 parent = facts.get("parent") if parent and parent in self.knowledge: facts["parent_info"] = self.knowledge[parent] return label, facts # === 神经符号AI系统 === class NeuroSymbolicAI: def __init__(self): self.perceiver = Perceiver() self.reasoner = Reasoner() def forward(self, image): # 第一步：神经感知 logits = self.perceiver(image) class_id = torch.argmax(logits, dim=1).item() # 第二步：符号推理 label, reasoning = self.reasoner.reason(class_id) return { "perception": f"我看到了一只{label}", "reasoning": reasoning, "conclusion": f"它是{reasoning.get('parent', 'unknown')}" } 这100行代码，就是神经符号AI的「最小可行原型」。 你可以在上面扩展：加入更复杂的知识图谱、更强大的推理规则、更精细的感知模型。
...